As Vantagens de Ganhar Peso Através da IA

Um novo sistema de IA pode realisticamente redefinir o corpo das pessoas em fotos, tornando-as mais gordas, mais magras ou mais musculosas, sem alterar o rosto, roupas ou fundo. O sistema é treinado em um conjunto de dados completamente sintético que mostra cada identidade em vários tipos de corpo.

Além do uso cada vez mais comum de IA como método de refinamento do formato do corpo em redes sociais, ou (potencialmente) para alterar tipos de corpo para fins de efeitos visuais, o uso de aprendizado de máquina para alterar a aparência de indivíduos pode servir a uma função mais importante: ajudar indivíduos com distúrbios alimentares a entender sua própria interpretação distórica de sua aparência, bem como oferecer uma ferramenta motivacional potencial para fins esportivos e de condicionamento físico mais gerais:

Do artigo ‘Estimativa do tamanho do corpo em mulheres com anorexia nervosa e controles saudáveis usando avatares 3D’, uma interface para visualizar mudanças no formato do corpo. Indivíduos com dismorfia corporal podem ter dificuldade em associar uma interpretação realista de seu corpo a uma imagem semelhante, fornecendo assim um métrica para respostas dismórficas, entre outros propósitos. Fonte: https://www.nature.com/articles/s41598-017-15339-z.pdf

Além disso, a sub-área de teste de moda em pesquisas de visão computacional também tem interesse em fornecer visualizações precisas em uma variedade de formatos de corpo. Enquanto isso, estruturas como a DiffBody de 2024, oferecida pela Universidade de Tsukuba, no Japão, criaram algumas funcionalidades impressionantes nesse campo:

Algumas das transformações possíveis usando a técnica DiffBody anterior. Fonte: https://arxiv.org/pdf/2401.02804

Já que os modelos de IA são otimizados para formatos de corpo convencionalmente atraentes ou comuns, tamanhos incomuns, como ‘obeso’, são minimamente disponíveis em modelos padrão ou vêm com algumas vieses punitivos.

Necessidades em Pares

Um dos maiores desafios na criação de sistemas de IA que possam realisticamente adicionar ou subtrair gordura e músculos de fotos de indivíduos – sem alterar sua identidade, ambiente ou roupas – é que isso envolve treinamento em pares, onde o sistema de IA efetivamente aprende imagens ‘antes’ e ‘depois’ que definem qualquer transformação que o modelo pretende realizar.

Esse tipo de treinamento voltou a ganhar destaque durante o verão devido ao sucesso dos modelos Kontext da Black Forest Labs, onde esse tipo de dados em pares foi usado para ensinar uma variedade de transformações aos modelos:

Do site Flux Kontext, um exemplo de transformação que reflete o tipo de dados de origem necessário para treinar um modelo capaz de reter a integridade da imagem ao impor mudanças significativas. Fonte: https://bfl.ai/models/flux-kontext

Obviamente, no caso de desenvolver um modelo que possa alterar significativamente a aparência de uma pessoa (sem reimaginar a imagem inteira), é necessário algo que é totalmente impossível no mundo real: imagens ‘antes’ e ‘depois’ radicais tiradas apenas segundos apartados.

A única solução é dados sintéticos. Alguns projetos desse tipo usaram pares de contraste individuais criados manualmente no Photoshop; no entanto, isso é irrealista em escala, e um processo automatizado ou semi-automatizado, impulsionado por IA, para gerar os pares é agora considerado preferível.

O problema com abordagens baseadas em GAN e a maioria das abordagens baseadas em SMPL/X (onde uma figura CGI virtual é usada como um tipo de mecanismo de troca entre imagens reais e as transformações desejadas), e com abordagens que usam deformação de imagem, é que o fundo e a identidade tendem a sofrer no processo.

Modelos CGI paramétricos e baseados em vetores, como SMPL e SMPL-X (entre outros), fornecem coordenadas 3D físicas convencionais definidas que podem ser interpretadas e incorporadas em estruturas de visão computacional. Fonte: https://files.is.tue.mpg.de/black/papers/SMPL2015.pdf

Como é importante que a IA aprenda a alterar apenas os aspectos desejados, em vez de aprender a deformar fundos e replicar outros erros indesejados, nenhum sistema de alteração de corpo chegou a uma solução perfeita.

No entanto, um artigo recente da Índia propõe um avanço notável no estado da arte por meio do uso do antigo modelo de difusão Flux, aumentado com uma série de abordagens secundárias que permitem um conjunto de dados em pares superior e mais consistente:

Exemplos do conjunto de dados do novo projeto. Fonte: https://arxiv.org/pdf/2508.13065

O projeto consiste em um novo e extenso conjunto de dados em pares; Odo, um modelo de difusão gerativo treinado nesses dados; e um benchmark personalizado projetado para avaliar quantitativamente o desempenho de edição de forma humana. Em testes, os autores reivindicam um avanço notável sobre os padrões alcançados por modelos comparáveis.

O novo artigo é intitulado Odo: Difusão Guiada por Profundidade para Redefinição de Corpo que Preserva a Identidade, e vem de três pesquisadores da Fast Code AI Pvt. Ltd em Bangalore.

Dados e Método

O conjunto de dados criado pelos pesquisadores apresenta 7.615 imagens de alta resolução (960x1280px) para cada tipo de corpo alvo (gordo, magro e musculoso).

Inicialmente, 1.523 rostos humanos foram gerados por meio do modelo de difusão FLUX.1-dev de 12 bilhões de parâmetros, embora utilizando um número não especificado de rostos de referência sem licença da Pexels e Unsplash para aumentar a diversidade.

Para gerar imagens de corpo inteiro que incorporam esses rostos, os pesquisadores usaram a oferta de 2024 da ByteDance, PuLID, um ponto de verificação ajustado sobre o Flux base, com uma perda de contraste projetada para ajudar a preservar a identidade facial durante processos de transformação:

Exemplos do projeto PuLID. Fonte: https://arxiv.org/pdf/2404.16022

O modelo recebeu uma imagem facial e um prompt padronizado solicitando gênero, roupa, pose, cena, bem como o tipo de corpo de magro, gordo ou musculoso.

As três imagens de tipo de corpo para cada identidade às vezes exibiam deslocamentos menores na alinhamento do fundo e no tamanho percebido do sujeito, resultantes do comportamento estocástico dos modelos de difusão, onde cada geração começa a partir de uma nova semente de ruído. Mesmo mudanças leves no prompt, como modificar a descrição do tipo de corpo, podem influenciar a trajetória do modelo no espaço latente e causar deriva visual.

Para corrigir essa variação, uma pipeline de pós-processamento automática de quatro etapas foi aplicada, com a imagem magra em cada triplet selecionada como referência, já que sua silhueta menor expunha mais o fundo.

A detecção de pessoa foi realizada usando RT-DETRv2, seguida de segmentação com SAM 2.1 para extrair máscaras de sujeito para os três tipos de corpo. A imagem de referência magra foi então passada para o FLUX.1 Kontext Pro (o sistema de edição de imagem mais recente) para pintura de fundo, produzindo uma versão limpa da cena, com o sujeito removido.

As variantes gorda e musculosa foram redimensionadas usando escalonamento uniforme para corresponder à altura da máscara de referência magra e compostas sobre o fundo limpo na mesma alinhamento inferior, garantindo enquadramento consistente em todas as imagens.

Os autores afirmam:

‘Os tripletes de transformação resultantes (magro, gordo e muscular) têm um fundo idêntico e escala de sujeito uniforme. Isso remove variações irrelevantes que poderiam afetar negativamente o treinamento ou avaliação subsequentes.’

Cada triplet de imagens magras, gordas e musculosas permitia seis pares de transformação possíveis, resultando em 45.690 combinações teóricas em 7.615 identidades.

Após filtrar exemplos com roupas não coincidentes, poses não naturais, membros distorcidos, deriva de identidade ou mudança de forma mínima, 18.573 pares de alta qualidade foram mantidos. Embora algumas diferenças de pose menores permanecessem, o modelo provou ser robusto a essas variações.

Treinamento e Testes

As imagens resultantes foram usadas para treinar o modelo Odo – uma abordagem baseada em difusão para redefinir humanos, com o uso de mapas de SMPL (ou seja, modelos CGI intermediários).

Inspirado nos métodos do Localizador Neural de 2024, os dados foram conformados ao modelo SMPL em uma base por indivíduo, com os parâmetros resultantes otimizados capazes de produzir mapas de profundidade a partir dos quais as imagens alteradas seriam derivadas:

Esquema para a pipeline de treinamento. O lado esquerdo mostra a configuração de treinamento, onde mapas de profundidade SMPL da imagem de destino guiam ReshapeNet via ControlNet para realizar a transformação de corpo. Recursos da imagem de origem são extraídos por ReferenceNet e mesclados em ReshapeNet usando atenção espacial. O lado direito mostra a inferência, onde parâmetros SMPL são estimados a partir da imagem de entrada, modificados por atributos semânticos e renderizados em um mapa de profundidade de destino que condiciona ReshapeNet durante a desruído para produzir a imagem transformada final.

O modelo (veja o esquema acima) consiste no módulo ReshapeNet, apoiado por três módulos auxiliares: ReferenceNet; um módulo IP-Adapter; e um módulo ControlNet baseado em profundidade.

O ReferenceNet extrai recursos detalhados, como fundo, roupas e identidade, da imagem de entrada, e os passa para ReshapeNet. O IP-Adapter contribui com orientação de recursos de alto nível, enquanto o ControlNet de Profundidade aplica condicionamento baseado em SMPL para guiar a transformação de corpo. Em linha com trabalhos anteriores, um UNet congelado baseado em SDXL foi usado para extrair recursos intermediários.

Quanto ao módulo IP-Adapter, ele codifica a imagem de entrada via CLIP, com as incrustações resultantes integradas de volta em ReshapeNet via atenção cruzada.

Quanto ao módulo ControlNet de Profundidade, ele guia as camadas intermediárias e decodificadoras de ReshapeNet usando conexões residuais. Em seguida, ele pega um mapa de profundidade renderizado a partir dos parâmetros SMPL de destino e o alinha com a imagem de destino.

ReshapeNet, baseado no UNet SDXL, é a rede central do Odo. Durante o treinamento, as imagens de destino são codificadas no espaço latente com um autoencoder variacional, ruídas ao longo do tempo e, em seguida, desruídas por ReshapeNet usando recursos de ControlNet e ReferenceNet.

Prompts de texto específicos de categoria, como ‘Torne a pessoa mais gorda,’ ‘Torne a pessoa mais magra,’ ou ‘Torne a pessoa mais musculosa,’ foram adicionados para guiar as transformações. Embora os mapas de profundidade capturassem formas de corpo grossas, os prompts forneciam o detalhe semântico necessário para mudanças, como definição muscular, permitindo que o modelo produzisse modificações mais precisas e realistas.

Implementação do Treinamento

O Odo foi treinado no conjunto de dados sintético do projeto, combinado com um subconjunto do conjunto de dados DeepFashion-MultiModal, resultando em um total de 20.000 pares de imagens.

O conjunto de dados DeepFashion-MultiModal forneceu variedade em roupas e recursos faciais, com imagens emparelhadas contra si mesmas durante o treinamento. Com todos os mapas de profundidade SMPL pré-computados para eficiência, o treinamento foi executado por 60 épocas em uma única GPU NVIDIA A100 com 80GB de VRAM.

Com as imagens de entrada redimensionadas para 768×1024, o otimizador Adam foi usado, a uma taxa de aprendizado de 1×10⁻⁵. ReshapeNet foi inicializado com pesos do UNet SDXL e ajustado finamente em conjunto com o IP-Adapter a partir de seu checkpoint.

ReferenceNet foi inicializado com pesos do SDXL e mantido congelado, enquanto o ControlNet de Profundidade usou pesos pré-treinados e também permaneceu congelado.

O modelo final exigiu cerca de 23GB de memória de GPU, necessitando 18 segundos para inferência de imagem única.

Uma Nova Métrica

A falta de conjuntos de dados do tipo necessário para esse tipo de projeto significava que nenhuma métrica existente realmente abordava o desafio. Portanto, os autores criaram um novo benchmark, composto por 3.600 pares de imagens, apresentando imagens de rosto reais e descrições de fundo, juntamente com variações de forma de corpo diversificadas.

Outras métricas usadas foram Índice de Similaridade Estrutural (SSIM); Taxa de Sinal para Ruído de Pico (PSNR); Similaridade de Patch de Imagem Aprendida Perceptual (LPIPS); e Erro Euclidiano Per-Vértice Corrigido por Escala em pose neutra (T-) (PVE-T-SC).

Primeiramente, os autores testaram seu método qualitativamente contra imagens in vivo (imagens não vistas pelo modelo durante o treinamento):

Testes qualitativos. Os exemplos mostram conversões da imagem original para tipos de corpo magro, gordo e musculoso em diferentes poses, incluindo sentado e em pé. Por favor, consulte o artigo de origem para melhor definição e detalhes.

Desses resultados, o artigo afirma:

‘[Nosso] método lida efetivamente com poses, fundos e roupas diversificados, preservando a identidade da pessoa.

‘Além das formas de destino SMPL, fornecemos prompts textuais – ‘Torne a pessoa mais gorda,’ ‘Torne a pessoa mais magra,’ ou ‘Torne a pessoa mais musculosa’– para guiar explicitamente as transformações desejadas…

…'[A imagem abaixo] demonstra ainda mais a capacidade do nosso modelo de realizar transformações de forma diversificada. O modelo segue com precisão os mapas de profundidade SMPL para gerar várias variações de versões mais magras e mais gordas a partir da imagem de referência.’

Testes qualitativos adicionais abrangendo a gama de tipos de corpo de destino. Por favor, consulte o artigo de origem para melhor definição e detalhes.

Os autores comentam ainda:

‘Nossos resultados demonstram transformações mais realistas de acordo com o peso de destino, pois nosso modelo ajusta simultaneamente a forma geral do corpo, as proporções dos membros e as roupas, resultando em modificações anatomicamente consistentes e visualmente convincentes.’

Para testes quantitativos, os autores compararam seu sistema com o modelo Flux Kontext [dev] de código aberto, o FLUX.1, e a oferta de 2022 Geração de Fluxo Estruturado para Redefinição do Corpo Humano.

Para o FLUX.1 Kontext [dev], prompts foram projetados para instruir ‘Torne a pessoa mais gorda,’ ‘Torne a pessoa mais magra,’ ou ‘Torne a pessoa mais musculosa’, com pesos de destino especificados – embora a falta de controles de granularidade fina tenha limitado o desempenho:

Comparação do Odo com Geração de Fluxo Estruturado para Redefinição do Corpo Humano e FLUX.1 Kontext [dev] no conjunto de teste, junto com resultados de estudos de ablação (não cobertos neste artigo) para modelos treinados sem condicionamento de prompt em ReshapeNet, sem ReferenceNet (usando apenas IP-Adapter) e com treinamento restrito ao conjunto de dados BR-5K.

Conclusão

A chegada do Flux Kontext este ano e, mais recentemente, a liberação dos pesos não quantizados para Qwen Image Edit trouxeram dados de imagem em pares de volta ao centro das atenções das comunidades de hobby e profissionais. Nesse clima de críticas crescentes e impaciência com a imprecisão da IA gerativa, modelos desse tipo são projetados para uma fidelidade muito maior às imagens de origem (embora modelos de menor escala às vezes sejam limitados por seus objetivos de treinamento específicos).

No caso, a utilidade de um sistema de redefinição de corpo parece estar em campos psicológicos, médicos e baseados em moda. No entanto, permanece possível que sistemas desse tipo alcancem um nível mais alto de destaque e, talvez, um conjunto mais casual e potencialmente preocupante de usos.

Publicado pela primeira vez na segunda-feira, 25 de agosto de 2025